基于PSO-VMD与贝叶斯网络的滚动轴承故障诊断

仝兆景，芦彤，秦紫霓

(河南理工大学 电气工程与自动化学院，河南 焦作 454000)

0 引 言

滚动轴承是电机的重要组成部分，滚动轴承的故障预测对电机设备的性能、效率以及使用寿命有重要意义。滚动轴承正常运行时产生平稳信号，而发生故障时由于产生剧烈的振动和冲击，产生非平稳信号。因此，滚动轴承发生故障时会产生窄带脉冲干扰和随机信号，而窄带脉冲信号的产生会干扰和淹没故障特征信号。在工业应用中，电机常处于变负载运行状态，负载改变时振动信号也会产生波动，并伴随有噪声干扰和数据缺失，因此严重影响故障特征信号的提取和识别。

在故障诊断领域，经验模态分解[1](empirical mode decomposition,EMD)与变分模态分解[2](variational mode decomposition,VMD)是常用的信号特征提取方法。EMD易发生模态混叠问题，而VMD的非递归分解方式可以有效抑制模态混叠问题。姜万录等[3]将VMD与支持向量数据描述相结合，实现了对滚动轴承退化程度的评估。为增强VMD的特征提取效果，可以采用改进的粒子群优化算法(particle swarm optimization,PSO)优化其影响参数。Hilbert变换能有效地将时域信号转化为频域信号，避免模态泄露的问题[4]。

目前，滚动轴承的故障诊断存在数据量逐渐增大以及故障信息不完整的特点，仅通过信号处理无法有效实现故障诊断，因此信号处理与机器学习相结合的方法逐渐应用于故障诊断领域。王新等[5]将VMD能量特征提取与SVM相结合，实现了轴承故障诊断；陈法法等[6]通过KNN处理轴承振动信号的时域、频域和时频域构建的混合特征集，有效提高了模型的故障诊断精度。……